Un générateur vidéo reçoit habituellement un texte ou une image, puis fabrique quelques secondes de mouvement. MiniMax H3 veut élargir ce scénario : on peut lui fournir une consigne, plusieurs images, une vidéo dont on souhaite reprendre le mouvement de caméra et un extrait audio pour guider une voix. Le modèle doit comprendre les relations entre ces références, puis produire un clip accompagné d’un son stéréo créé en même temps que l’image.
Annoncé le 31 juillet 2026 par l’entreprise chinoise MiniMax, H3 promet des séquences allant jusqu’à quinze secondes, à 24 images par seconde, avec une définition pouvant atteindre 2K dans le système complet de l’éditeur. Ses poids sont également proposés au téléchargement et déjà pris en charge par ComfyUI, ce qui en fait un lancement notable dans un secteur encore dominé par des services fermés.
La nouveauté n’est pourtant ni la durée ni la résolution prises séparément. Elle réside dans la volonté de réunir au sein d’un même modèle ce que les studios traitent encore souvent comme une succession d’étapes : cadrage, animation, cohérence du personnage, mouvement, dialogue, bruitage et musique. Cette ambition ouvre des usages créatifs intéressants, mais elle mérite d’être distinguée des capacités réellement disponibles en local et des démonstrations choisies par MiniMax.
Un seul brief pour l’image, le mouvement et le son
MiniMax décrit H3 comme un modèle de génération multimodale généraliste. Le terme peut sembler abstrait. Dans la pratique, cela signifie que le système ne se limite pas à transformer une phrase en vidéo. Il peut recevoir du texte, des images, des vidéos et des fichiers audio dans un contexte commun.
L’exemple mis en avant par l’entreprise résume l’idée : reprendre le mouvement de caméra d’une première vidéo, faire chanter le personnage montré dans une image et utiliser une voix issue d’un troisième fichier. Plutôt que de choisir un outil pour chaque opération et d’assembler manuellement les résultats, le créateur décrit en langage naturel le rôle de chaque référence.
La fiche technique de H3 prévoit deux grandes familles de génération. Le premier modèle, H3-Base-FL2VA, produit une vidéo depuis un texte, une première image, une dernière image ou les deux. Le second, H3-Base-Ref2VA, accepte un ensemble plus riche pouvant aller jusqu’à neuf images, trois vidéos et trois extraits audio, avec un maximum de douze fichiers. Les vidéos de référence doivent représenter au total quinze secondes au plus.
Cette souplesse répond à un problème bien réel. Pour un spot publicitaire, un générique ou une animation de produit, une belle image isolée ne suffit pas. Il faut conserver le même sujet, appliquer un mouvement précis, respecter une direction artistique et synchroniser l’action avec le son. En réunissant ces contraintes dans le même contexte, H3 cherche à transformer le prompt en brief de réalisation plutôt qu’en simple description visuelle.
Le son n’est plus ajouté après la vidéo
Le second changement important concerne l’audio. H3 génère un son stéréo natif avec la vidéo. Voix, effets sonores et musique sont modélisés ensemble au lieu d’être produits par des systèmes indépendants puis superposés à la fin.
Cette différence compte davantage qu’elle n’en a l’air. Lorsqu’une piste sonore est ajoutée après coup, elle doit deviner le rythme de l’action, la distance d’un objet, le mouvement des lèvres ou le moment exact d’un impact. Une génération conjointe donne au modèle l’occasion de faire évoluer les événements visuels et sonores dans le même calendrier.
La documentation officielle annonce une fréquence audio de 32 kHz, en stéréo, ainsi que des dialogues dans onze langues, dont le français. Une courte séquence peut donc théoriquement naître avec son ambiance, ses bruitages, sa musique et une voix déjà synchronisée. Pour des maquettes publicitaires, des concepts de jeu ou des prototypes de contenu social, le gain de temps potentiel est considérable.
Il ne faut pas confondre génération native et garantie de qualité. Une voix compréhensible peut encore présenter une prosodie artificielle ; une synchronisation correcte sur quelques secondes ne promet pas une continuité parfaite d’un plan à l’autre. MiniMax reconnaît d’ailleurs que certains détails visuels doivent progresser et annonce un rapport technique plus complet. Les exemples promotionnels montrent ce que le modèle sait réussir, pas la fréquence de ses échecs.
Pourquoi la continuité des références est le vrai test
Les générateurs vidéo récents savent déjà produire des plans spectaculaires. Leur difficulté persistante apparaît lorsqu’un utilisateur exige plusieurs contraintes à la fois : garder le même visage, reproduire un mouvement de caméra, modifier le décor sans changer le costume et faire coïncider le dialogue avec l’action.
H3 est entraîné pour exprimer ces relations en langage naturel. MiniMax parle de Contextual Omni Representation : une description structurée qui ne raconte pas seulement le résultat attendu, mais aussi le rapport entre chaque élément fourni et le plan à créer. Une image peut définir le personnage, une vidéo le mouvement, un son la voix et le texte l’action nouvelle.
Ce principe rend l’outil particulièrement intéressant pour le video-to-video. Il ne s’agit plus seulement de styliser toutes les images d’une séquence, mais de transférer une intention précise — trajectoire de caméra, rythme ou geste — vers un autre sujet. Pour un professionnel, cette contrôlabilité est souvent plus utile qu’une hausse marginale de la résolution. Un plan imparfait mais dirigeable peut être retravaillé ; un plan superbe et imprévisible reste difficile à intégrer dans une production.
Le modèle doit néanmoins résoudre un compromis délicat. Plus les références sont nombreuses, plus elles peuvent se contredire. Une image impose une apparence, une vidéo un mouvement, un audio une durée et le texte une nouvelle action. La valeur de H3 dépendra donc moins de sa capacité à accepter douze fichiers que de sa façon de hiérarchiser des consignes ambiguës. Ce point demande encore des essais indépendants et reproductibles.
De la vidéo locale en 768p, du 2K dans le système complet
Le lancement mérite une précision importante. MiniMax présente H3 comme un système capable de produire des vidéos jusqu’en 2K. La version locale actuellement documentée dans ComfyUI travaille toutefois sur un canevas dont le petit côté mesure 768 pixels, avec un maximum de 768 × 1 344 pixels.
Le décalage vient de l’architecture en plusieurs étapes. Le modèle de base fabrique le clip à sa résolution native. Le module H3-Regenerate-2K reprend ensuite ce résultat en tenant compte du contexte initial pour reconstruire une version plus détaillée. MiniMax oppose cette méthode à une simple super-résolution : le système ne se contente pas d’agrandir les pixels, il régénère le plan en consultant à nouveau les références.
Au moment de la publication, les poids du modèle de base sont disponibles, mais le module de régénération 2K n’est pas encore proposé en téléchargement ; il reste accessible par l’API. Un autre composant, H3-Context-IR, qui prépare la représentation multimodale complète utilisée par le service hébergé, n’est pas inclus non plus dans la première version ouverte.
La formule « H3 est ouvert et génère en 2K » est donc trop rapide. Il faut distinguer trois réalités : le produit complet hébergé par MiniMax, le modèle de base que l’on peut exécuter soi-même et les briques supplémentaires qui ne sont pas encore publiées. La version locale reste néanmoins utile pour expérimenter, personnaliser un workflow et garder ses médias sur sa propre infrastructure.
ComfyUI rend le modèle accessible, pas léger
Trois workflows pour partir d’un texte, d’une image ou de références
H3 bénéficie dès son lancement de workflows natifs dans ComfyUI 0.30 ou version ultérieure. Trois modèles prêts à l’emploi couvrent le texte vers vidéo, l’image vers vidéo et la génération depuis des références. L’utilisateur peut régler le format, la durée, la première ou la dernière image, puis décrire dans un même bloc les plans, les mouvements de caméra et l’audio.
Cette intégration abaisse la barrière logicielle. Elle ne supprime pas la barrière matérielle. La chaîne locale charge un modèle de diffusion, un encodeur textuel dérivé de Qwen3-VL-32B ainsi que deux autoencodeurs distincts pour la vidéo et l’audio. Les exemples de déploiement officiels s’adressent à des machines dotées de plusieurs GPU, même si les fichiers repackagés et quantifiés pour ComfyUI peuvent réduire une partie des besoins.
Une génération locale encore exigeante
Le temps de calcul augmente également avec la durée et le nombre de pixels. Générer quinze secondes à 24 images par seconde signifie produire 360 images cohérentes, auxquelles s’ajoute la piste stéréo. L’exécution locale donne davantage de contrôle sur les paramètres et les données ; elle ne transforme pas encore H3 en outil instantané pour un ordinateur grand public.
MiniMax affirme que son prix par seconde en 2K est inférieur au tiers de celui de modèles courants, et que le 768p coûte moins de la moitié du 720p concurrent. Ces comparaisons viennent de l’éditeur, sans panier public de concurrents ni protocole détaillé permettant de les reproduire. Elles doivent donc être lues comme un positionnement commercial, pas comme un benchmark économique indépendant.
« Poids ouverts » ne signifie pas liberté sans conditions
La mise à disposition des paramètres change malgré tout la dynamique du marché. Des développeurs peuvent inspecter le comportement du modèle, adapter les workflows, tester d’autres optimisations et déployer H3 sans envoyer leurs médias à un service distant. ComfyUI permet déjà de construire des chaînes plus fines que l’interface commerciale standard.
Mais poids ouverts ne veut pas dire open source au sens le plus permissif. Le dépôt est soumis à une licence communautaire propre à MiniMax. Au moment de notre vérification, son texte classe notamment l’Union européenne, le Royaume-Uni, les États-Unis et la Corée du Sud parmi les « territoires exclus » de l’autorisation standard. La FAQ de l’éditeur invite les organisations concernées à demander une autorisation distincte.
Pour un lecteur français, cette clause n’est pas secondaire : télécharger les fichiers ne suffit pas à établir un droit de les exploiter en production. Une entreprise européenne doit examiner les conditions à jour et, si nécessaire, obtenir l’accord de MiniMax avant un déploiement. Il ne s’agit pas d’un détail technique que l’on peut remettre à plus tard, surtout pour un usage commercial.
La différence avec le service hébergé touche aussi à la sécurité. Les garde-fous appliqués par la plateforme ne sont pas automatiquement présents dans les poids exécutés localement. L’utilisateur devient responsable de ses filtres, de la provenance des références, du droit à l’image, des voix reproduites et de la traçabilité des contenus générés. Plus un modèle sait imiter une personne, une marque ou un mouvement, plus cette gouvernance devient concrète.
H3 rapproche le générateur vidéo d’un outil de réalisation
MiniMax H3 ne rend pas encore un studio autonome. Quinze secondes restent une durée courte, le 2K n’est pas entièrement disponible hors du cloud, l’exécution locale exige un matériel conséquent et les performances indépendantes manquent encore. La licence limite aussi fortement la portée pratique de l’ouverture dans plusieurs régions.
Le modèle indique néanmoins une évolution importante : la vidéo générative ne cherche plus seulement à fabriquer des pixels en mouvement. Elle commence à interpréter un ensemble de références comme le ferait un outil de préproduction, à coordonner image et son, puis à conserver une intention au fil d’un plan.
Pour les créateurs, le meilleur test ne sera pas la démonstration la plus spectaculaire. Il consistera à donner au système un personnage, une voix, un mouvement et une consigne, puis à mesurer combien d’essais sont nécessaires pour obtenir un plan réellement utilisable. Si H3 réduit ce nombre sans sacrifier le contrôle, son apport se verra moins dans la magie d’un bouton « Play » que dans les heures de montage et de reprise qu’il évite.
Références
- MiniMax — annonce officielle de MiniMax H3
- MiniMax — fiche technique et poids de MiniMax H3
- MiniMax — licence communautaire de H3
- MiniMax — questions et réponses sur la licence
- ComfyUI — workflows natifs MiniMax H3
